基于Context模型和矢量—標量量化器的ECG信號壓縮.pdf

1、心電圖(ECG)是單位時間內(nèi)心臟電生理活動在體表的綜合表示，是醫(yī)生診斷心臟疾病的重要依據(jù)。由于診斷過程無損傷、廉價及實時性強，多導聯(lián)ECG記錄系統(tǒng)已經(jīng)廣泛應用于動態(tài)監(jiān)護、臨床診斷和遠程醫(yī)療。其數(shù)據(jù)量的大小往往隨著采樣率、采樣分辨率、記錄時間、導聯(lián)數(shù)量和病人數(shù)量的增加而增加。當存儲空間或傳輸帶寬受到嚴格限制時，有必要在保證信號質量的情況下進行數(shù)據(jù)壓縮。目前常用的數(shù)據(jù)壓縮方法包括：直接壓縮法、變換壓縮法以及參量壓縮法。其中，基于小波變換的數(shù)

2、據(jù)壓縮方法取得了顯著的結果。
　　多導聯(lián)ECG信號作為偽周期信號同時具有采樣點之間、心動周期之間和導聯(lián)之間的相關性。本論文從如何有效去除相關性的角度出發(fā)，研究了基于Context模型和矢量-標量量化器的壓縮方案，主要包括以下幾個方面內(nèi)容：
　　第一部分重點討論三種多導聯(lián)ECG信號的QRS檢測方法，解決了單導聯(lián)ECG信號因電極接觸不良或噪聲干擾所帶來的低檢測率問題，同時為后續(xù)的數(shù)據(jù)壓縮方法提供可靠的心動周期信息。
　　針

3、對雙導聯(lián)ECG信號，提出一種基于聯(lián)合小波熵的QRS檢測算法。利用連續(xù)小波變換提取QRS波群頻率范圍內(nèi)的小波系數(shù)，有效避免噪聲干擾。然后采用基于小波熵的方法對單導聯(lián)ECG信號進行門限判別。當檢測的RR間期與平均RR間期差距明顯時，采用基于聯(lián)合小波熵的方法融合雙導聯(lián)ECG信號的QRS信息，以增強檢測結果。
　　針對12導聯(lián)ECG信號，分別提出兩種基于盲源分離的QRS檢測算法。方法一采用主元分析(PCA)分離多導聯(lián)ECG信號的心室、心房

4、以及噪聲成分，然后采用偽周期排序法將心室信號排在前列，以便計算聯(lián)合小波熵檢測QRS信息。方法二采用獨立元分析(ICA)分離多導聯(lián)ECG信號的獨立成分，對各成分進行連續(xù)小波變換，重構小波系數(shù)的相空間，根據(jù)相空間的QRS信息排序獨立元，最后計算聯(lián)合小波熵檢測QRS信息。
　　第二部分重點討論ECG信號的壓縮算法，分別從無損壓縮與有損壓縮、標量量化與矢量量化、一維壓縮與二維壓縮，以及單導聯(lián)壓縮與雙導聯(lián)壓縮的角度出發(fā)，充分研究了基于Con

5、text模型的熵編碼算法。
　　針對ECG信號的無損壓縮，首先采用9/7小波對信號進行基于提升方案的整數(shù)變換，然后將小波系數(shù)分解為重要位置圖、符號流、二進制最高位位置流及剩余比特流，再結合Context模型對各系數(shù)流進行熵編碼。
　　針對單導聯(lián)ECG信號的有損壓縮，本文分別提出了兩種壓縮方案。方法一為基于標量量化的二維壓縮，首先利用QRS信息將一維ECG信號切割并排列成二維圖像。經(jīng)過周期排序與均值去除，對圖像進行一維小波變換

6、，并對小波系數(shù)進行帶截止區(qū)的標量量化。最后分解小波系數(shù)，并結合Context模型對各系數(shù)流進行熵編碼。該壓縮算法每次編碼前需要收集心動周期形成圖像，存在時間延遲。方法二為基于矢量-標量量化的一維壓縮，首先按照離散小波變換等級樹的結構提取ECG信號的小波系數(shù)樹矢量，然后利用矢量-標量量化器量化樹矢量。量化器由動態(tài)學習矢量量化器與帶截止區(qū)的標量量化器組成。對標量量化系數(shù)進行分解之后，結合Context模型對各系數(shù)流進行熵編碼。該方案可進行在

7、線編碼。
　　針對多導聯(lián)ECG信號的有損壓縮，本文以雙導聯(lián)ECG信號為特例，在基于矢量-標量量化器的壓縮算法基礎上，將各導聯(lián)ECG信號小波系數(shù)樹矢量的矢量量化系數(shù)組成一個新矢量，并對其進行無損矢量量化。同時，將原算法中碼書的動態(tài)學習規(guī)則改進為靜態(tài)學習規(guī)則。在合理利用導聯(lián)之間相關性的基礎上，提高算法的壓縮性能。
　　由于有效利用了采樣點之間、心動周期之間和導聯(lián)之間的相關性，本文提出的各種算法和基于JPEG2000或SPIHT的